從語言學的角度看，發音的生硬與否，是與語言的聲音系統中子音+母音的搭配方式有關的。可以舉出來的模式，包括V,CV,CCV(子音簇),CVV(複母音),VC,CVC,C(成節音)等等。像漢語普通話，被稱為生硬就是因為1)不存在子音簇的現象2)收音極其單一，只有母音和n、ng(口語中可能出現音變，如“意思”yisi->is，“豆腐”doufu->douf，“麵包”mianbao->miambao，但這也是極其有限的)於是被稱作生硬。

之所以說日語是生硬的，也可以仿照相似機理來進行分析。日語以CV型音節佔其音節構成形式絕大部分（還有成節音n），在重音上採用與世界上其它語言大多不同的樂調重音（與上海話類似），即以高低不同的所謂“聲調”構成重音而缺乏其他層次的變化，因此構成了生硬的語音。

還有另一個原因，就是母音的發音位置與方法。一般地說發音位置（舌位）靠後，不圓唇，容易造成不舒服的聽覺感受。如日語的母音u不圓唇。

實際上，語音的生硬與音節數目沒有多大關係的，你如果知道日語總共100多個音節，你會發現其實漢語不是較為生硬的語言。還有，拼音文字的音節數目絕對不是無限的，事實上任何語言的音節數目都是有限的。你所指的“無限”大概是指構成詞的音節的數目和組合形式。在這裡有必要明確一點，漢語屬於漢藏語系，而你說的“拼音文字”（大概指歐洲語言）屬於印歐語系，二者存在本質不同。古漢語存在著單音節的特徵，這和漢字的特徵是相似的，並且子音與母音之間的拼合遵循規則，例如不存在以下的音節：*xu(不是v),*fi,*zhiang等等。歐洲語言則傾向於多音節的詞素拼合成詞，並存在大量曲折變化等，也沒有如漢語般的規則約束，存在子音簇等語音現象，造成了音節的豐富。